用于学习玻璃液体表示的旋转等变图神经网络
软凝聚态物质
2024-05-29 v3 无序系统与神经网络
机器学习
摘要
将玻璃液体的静态结构与其动力学关联这一难题，是机器学习的一个良好目标，该方法擅长发现数据中隐藏的复杂模式。事实上，这一方法目前是玻璃液体领域的热点，其最先进水平由图神经网络（GNNs）构成，它们具有强大的表达能力，但模型繁重且缺乏可解释性。受机器学习群等变表示领域近期进展的启发，我们构建了一种 GNN，通过约束其保持旋转-平移（SE(3)）等变性来学习玻璃静态结构的鲁棒表示。我们表明，该约束在参数数量相当或更少的情况下显著提升了预测能力，更重要的是，提升了对未见过温度的泛化能力。在仍是深度网络的同时，我们的模型相较于其他 GNNs 具有更好的可解释性，因为我们的基本卷积层的作用直接关联到众所周知的旋转不变专家特征。通过展现前所未有的性能的迁移学习实验，我们证明我们的网络学习了鲁棒表示，这使我们推进了关于玻璃的学习型结构序参量的想法。
引用
@article{arxiv.2211.03226,
title = {Rotation-equivariant Graph Neural Networks for Learning Glassy Liquids Representations},
author = {Francesco Saverio Pezzicoli and Guillaume Charpiat and François P. Landes},
journal= {arXiv preprint arXiv:2211.03226},
year = {2024}
}
备注
Submitted to SciPost. 15 pages, 9 figures plus references and 4 pages of appendix